[发明专利]一种城轨列车关键部件的可靠度预测优化方法

权利要求书

1.一种城轨列车关键部件的可靠度预测优化方法，其特征在于：所述可靠度预测优化方法包括以下步骤：

步骤1：收集获取城轨列车故障维修信息，并筛选出关键部件故障维修信息作为故障样本信息，将获取的样本信息用于建立城轨列车关键部件故障维修信息的数据集；

步骤2：分别对不同关键部件的故障维修信息进行数据整合模糊处理，以减少故障维修信息中过于集中的数据量；

步骤3：基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型，用以优化关键部件的各项参数值，并在可靠度预测优化模型中利用图参数估计法实现对可靠度的参数估计；

步骤4：利用循环检验过程优化参数值，判断参数值是否陷入局部优化，将检验过的参数值带入可靠度预测优化模型中，对列车关键部件可靠度预测；其中，利用循环检验过程对HHO算法验算参数最优值，判断实际差值是否超过临界差值，其表达式为：

D_n＜D_n,α；

D_n＝sup{|R₀(t_i)-R_n(t_i)|},i＝1,2,...,n；

式中，D_n为实际差值；D_n,α为临界差值；R₀(t_i)为通过HHO算法计算得出的每个故障数据的可靠度函数，R_n(t_i)为样本容量为n的经验分布的可靠度函数；若实际差值超过临界差值，则重新进入HHO算法运算，若实际差值未超过临界差值，则输出计算参数值；

所述步骤3中，基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型的过程由探索阶段和开发阶段组成，从探索阶段到开发阶段的过渡，基于猎物的逃逸能量在不同开发行为之间的改变规则进行确定：

首先初始化种群中每只鹰的位置，更新猎物的初始能量E₀和跳跃强度J，猎物的能量因为逃逸行为而显著降低，猎物的动态能量随逃逸变化模型满足其表达式为：

式中，E为猎物兔子的逃逸能量，T为最大迭代次数，t为当前迭代次数；E₀为能量的初始态；每次迭代时，E₀在(-1,1)内随机变化，逃逸能量E在迭代过程中呈下降趋势；

其次，当逃逸能量|E|≥1时，进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，并更新其猎物位置；

最后，当|E|＜1时进入开发阶段，根据老鹰的追逐和猎物的逃逸行为，进入开发阶段时提出四种策略模拟攻击阶段；

进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，探索阶段时老鹰作为最优候选解，每一步的最优候选解或邻近最优解，被认为是预期的猎物，直到到达猎物的位置时停止突袭，并更新猎物位置的表达式为：

式中，X(t+1)为下一次迭代中鹰的位置；X_rabbit(t)为猎物的位置；X(t)为鹰的当前位置向量；r₁,r₂,r₃,r₄,q为(0,1)内的随机数，在每一次迭代中更新，UB为变量的上界；LB为变量的下界；X_rand(t)为从当前种群中随机挑选的一只鹰；X_m(t)为目前鹰派人口的平均位置；

开发阶段时提出四种策略模拟攻击阶段：

假设r是猎物在突袭前逃脱的机率，其中，当r＜0.5时表示猎物可以成功逃脱，r≥0.5时猎物未能成功逃脱，并以E作为参数评判围困的标准，其具体评判如下：

第一种策略：当r≥0.5且|E|≥0.5时，采用软围困策略，更新猎物位置的表达式为：

X(t+1)＝ΔX(t)-E|JX_rabbit(t)-X(t)|；

式中，ΔX(t)为迭代t中猎物的位置向量与当前位置之间的差；J为猎物在整个逃逸过程中的随机跳跃强度；

第二种策略：当r≥0.5且|E|＜0.5时，采用硬围困策略，更新位置的表达式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|；

第三种策略：当|E|≥0.5且r＜0.5时，采用软围困下渐进式快速俯冲策略，更新位置的表达式为：

式中，Y为初步位置；Z为游走位置；F(Y)为初步位置结果值；F(Z)为游走位置结果值；D为问题的维度；S为大小为1×D的随机向量；LF为莱维飞行函数，表示随机游走的方式；

第四种策略：当|E|＜0.5且r＜0.5时，采用硬围困下渐进式快速俯冲策略，更新位置的表达式为：